[发明专利]截齿筒钻的优化方法、装置及电子设备

权利要求书

1.一种截齿筒钻的优化方法，其特征在于，包括如下步骤：

获取单截齿筒钻和多截齿筒钻的多种切削参数以及相应的多种切削效率数据；

建立样本数据库，所述样本数据库包括切削参数组合以及相应的所述切削效率数据；

搭建用于训练所述样本数据的神经网络；

采集所述样本数据库并输入至所述神经网络中训练得到切削效率模型；

输入多组目标参数组合至所述切削效率数据模型中，输出得到相应的目标切削效率数据，每组目标参数组合对应输出多种目标切削效率数据；以及

根据所述目标切削效率数据确定所述多个目标参数组合中的最优组合。

2.根据权利要求1所述的截齿筒钻的优化方法，其特征在于，所述获取单截齿筒钻和多截齿筒钻的多种切削参数组合以及相应的切削效率数据的步骤中，具体包括如下步骤：

通过有限元分析方法搭建单截齿筒钻和多截齿筒钻的切削岩石模型；以及

输入多种切削参数至所述切削岩石模型中得到所述切削效率数据。

3.根据权利要求2所述的截齿筒钻的优化方法，其特征在于，所述截齿筒钻为三维六面体网格，所述岩石模型包括：拉格朗日网格以及零厚度内聚力网格，所述零厚度内聚力网格的混合网格插入相邻的三维四面体的所述拉格朗日网格之间。

4.根据权利要求1所述的截齿筒钻的优化方法，其特征在于，所述多种切削参数包括：岩石材质、截齿切削角度、截齿下压深度、截齿切削速度、截齿尺寸及相邻两组截齿的横向间距；

所述切削效率数据包括：旋挖钻机做的功、岩石的破碎体积、切削比能耗、截齿合金头部分的损耗、截齿齿体部分的损耗以及岩石的裂纹扩展深度。

5.根据权利要求1所述的截齿筒钻的优化方法，其特征在于，在采集所述样本数据库并输入至所述神经网络中训练得到切削效率模型的步骤中，具体包括如下步骤：

根据所述样本数据库构建一样本集；

随机划分所述样本集为训练样本及测试样本；

读取所述训练样本中的数据，输入所述训练样本至所述神经网络中，以执行训练操作；

在训练过程中对所述神经网的网络参数权重进行调整，以获得训练后的第一神经网络模型；

输入所述测试样本至所述第一神经网络模型中进行验证操作，得到验证结果；

根据所验证结果对所述第一神经网络模型进行优化，以获得切削效率模型。

6.根据权利要求5所述的截齿筒钻的优化方法，其特征在于，输入所述测试样本至所述第一神经网络模型中进行验证操作的步骤中，具体包括如下步骤：

输入X个测试样本至第一神经网络模型，获取X个第一结果；

将所述X个第一结果与所述X个测试样本的切削效率数据比较，统计所述第一结果与所述切削效率数据之差的绝对值大于一阈值的样本个数Y；

计算第一验证结果，所述计算第一验证结果为样本个数Y与样本个数X的比值。

7.根据权利要求1所述的截齿筒钻的优化方法，其特征在于，在根据所述目标切削效率数据确定所述多个目标参数组合中的最优组合的步骤中，具体包括如下步骤：

将输出的所述多种目标切削效率数据分别进行百分制转换；

根据预设的加权权重进行加权平均得到加权分数，所述加权分数最高的为所述最优组合。

8.一种截齿筒钻的优化装置，其特征在于，包括：

获取模块，获取单截齿筒钻和多截齿筒钻的多种切削参数以及相应的多种切削效率数据；

建立模块，建立样本数据库，所述样本数据库包括切削参数组合以及相应的所述切削效率数据；

搭建模块，搭建用于训练所述样本数据的神经网络；

采集模块，采集所述样本数据库并输入至所述神经网络中训练得到切削效率模型；

输入模块，输入多组目标参数组合至所述切削效率数据模型中，输出得到相应的目标切削效率数据，每组目标参数组合对应输出多种目标切削效率数据；以及

确定模块，根据所述目标切削效率数据确定所述多个目标参数组合中的最优组合。